Enjeux et perspectives du Big Data

Programme

• Big Data : enjeux et apportunités / évolution des données
  Le Big Data et ses 4 grands défis : volume, variété, vélocité, véracité. - Données massives : Web, réseaux sociaux,Open Data, capteurs, données industrielles. - Ouverture des données publiques : le mouvement Open Data. - Variété, distribution, mobilité des données sur Internet. - Vélocité et flux continus de données. - Le Edge Computing, vers une informatique de flux
• Les enjeux pour les entreprises
  Le processus de création de valeur grâce au Big Data - Véracité des données provenant de sources variées pour la prise de décision. - Analyses complexes sur Big Data, Big Analytics. - Production d'informations en temps réel à partir de Big Data. - Réactivité : traitement de flux de données en temps réel, Complex Event Processing (CEP) - Définir sa stratégie de déploiement : Cloud, "on-premise" ou hybride
• Opportunités offertes par les progrès matériels
  Le stockage : Disques durs HDD vs SSD "on premise" et stockage objet ou bloc dans le Cloud. - L'impact de la baisse du coût de la mémoire : l'avènement du traitement de données in-memory - Couplage CPU/GPU pour une meilleure optimisation du calcul parallèle. - Les stratégies de stockage disque en réseau NAS/SAN/Isilon (stockage élastique) : Quels impacts sur les architectures de gestion de données ? - Les architectures massivement parallèles (MPP) vs Hadoop - Les appliances
• Compréhension des technologies utilisées / motivations
  Le théorème CAP (Consistency, Availability, Partition tolerance) : analyse et impact
• La pile logicielle Big Data (la "Stack Hadoop")
  Les fondamentaux des Big Data - L'organisation fonctionnelle et les principaux composants : stockage, organisation, traitement, intégration, outils d'analyse. - La gestion de clusters. - Les "design pattern" d'Hadoop (architectures Lambda, Kappa, Omega, etc.), pour répondre à quels usages - Comparaison avec les SGBD relationnels
• Les différentes méthodologies adaptées au Big Data
  Gouvernance des projets - Organisation et rôles - Les grands principes des méthodes agiles - Le design thinking pourquoi est-il adapté aux enjeux du Big data ? - Les méthodes de développement - Les impacts sur l'organisation d'une DSI (privilégier la conception collaborative) - Intégrer les métiers dès la phase de conception - Définir les différents ateliers (modeling, intercation design, prototypage)
• La sécurité du Big Data
  Les 5 cercles de défense du Big Data - Sécurité périmétrique - Gestion des authentifications - Gestion des autorisations - Sécurité du système d'exploitation
• Utilisation de la cryptographie
  Comprendre les fondamentaux (cryptographie, cryptanalyse, kleptographie, etc.). - Les trois approches de gestion des clés de chiffrement dans une architecture Big Data. - Les enjeux du chiffrement homomorphe. - Les outils de data management de la donnée - Les bonnes pratiques en matière de chiffrement et les recommandations de l'ANSSI et de l'ENISA
• Autres techniques de protection des données
  Comprendre le cycle de vie des données dans une architecture Big Data. - Les outils en charge de la gouvernance et du cycle de vie des données - La classification des données. L'importance de la classification dans les projets Big Data. - L'anonymisation et la pseudonymisation des données
• Ethique et enjeux juridiques / principes généraux de conformité et de responsabilités
  Responsabilités sur le plan Informatique et Libertés - Responsabilités sur le plan identités - Responsabilités sur le plan régulation - Responsabilités sur le plan économique - Responsabilités sur le plan sécurité - Responsabilités sur le plan patrimoine - Responsabilités sur le plan de l'archivage - Responsabilités sur le plan ressources humaines
• Cas d'usage, retours d'expériences
  Méthodologie pour aider l'entreprise à devenir Data Centric, c'est-à-dire en partant de zéro, comment se former, se transformer, choisir sa distribution Hadoop, l'installer, la paramétrer, préparer la gouvernance et préparer les premiers usages